Visão Geral

Este Curso Practical Data Science with Python, e uma introdução à Estatística, Python, Analytics, Data Science e Machine Learning. Estabelece profissionais com conhecimento prático de todo o campo da ciência de dados, juntamente com conhecimento prático imediato das principais tarefas analíticas.

Este curso de 32h é prático, prático e baseado em workshops. É o início da jornada de um desenvolvedor experiente para se tornar um Cientista de Dados. Se você é engenheiro de software, em inteligência de negócios ou é especialista em SQL, este é o curso para você.

Ao participar deste curso, você aprenderá como se tornar um Cientista de Dados profissional. Você será capaz de desmistificar e entender a linguagem em torno da ciência de dados e entender os principais conceitos de análise e automação. Você também desenvolverá habilidades práticas, práticas e avançadas em Python, direcionadas à análise de dados e Machine Learning para que você possa criar modelos estatísticos sofisticados.

Reserve online hoje ou, se precisar de ajuda para escolher o curso certo ou tirar alguma dúvida por favor faça contato via comercial@itsolutionss.com.br ou entra em contato via whatsapp +55 011 9 8953-8598  
 

Objetivo

Ao final do curso os participantes saberão:

• Conceitos fundamentais de Data Science
• Metodologias usadas em Machine Learning
• Estatísticas resumidas e como usar inferência estatística para analisar dados
• Mãos na linguagem de programação Python para análise numérica
• Algoritmos de aprendizado de máquina simples mais usados

Ao final do curso os participantes serão capazes de:

• Fale a linguagem dos cientistas de dados
• Escreva programas Python para analisar dados
• Compreender um programa Python no contexto da análise de dados
• Explore e visualize dados usando Python
• Crie modelos funcionais de aprendizado de máquina

Publico Alvo

• Para praticantes de ciência de dados iniciantes e para profissionais de TI que desejam migrar para o emocionante mundo da análise de dados e aprendizado de máquina.

Pre-Requisitos

• Matemática de nível GCSE ou superior. Alternativamente, familiarizado e confortável com o pensamento lógico e matemático
• Familiarizado com conhecimentos básicos de programação: variáveis, escopo, funções

Materiais

Conteúdo Programatico

Introduction to Data Science

1. Understanding Big Data challenges for storage and analytics
2. Identifying potential Big Data projects
3. Designing successful Data Science projects

Introduction to Machine Learning

1. Identify types of machine learning:
   1. Supervised
   2. Unsupervised
   3. Reinforcement Learning
2. Identify use cases

Jupyter Notebook

1. Identify Anaconda and Jupyter
2. Work with Jupyter Notebooks
3. Practical Lab Activity

Python Fundamentals Review

1. Review of Python techniques:
   1. Data Types and Assignment
   2. Lists, Tuples, Strings, Sets and Dictionaries – and how to address from them
   3. Selection and Iteration structures
   4. Subroutine definitions
2. Practical Lab Activity

Introduction to Pandas and Numpy

1. Dataframes and how to address from them
2. Read from a CSV and exploration of documentation for reading from other sources
3. Dataframe methods and using the documentation
4. Practical Lab Activity

Exploratory Data Analysis

1. In the context of identifying appropriate Machine Learning methods:
   1. Interpreting descriptive statistics using Pandas
   2. Interpreting correlations and associations
2. Practical Lab Activity

Data Visualisation

1. In the context of identifying appropriate Machine Learning methods:
   1. Interpreting visualisations using Pandas, Seaborn, and Matplotlib
   2. Interpreting correlations and associations
   3. Interpreting visualisations for EDA
2. Practical Lab Activity

Data Preparation

1. Data Preparation techniques in the context of selected Machine Learning methods:
   1. Checking the quality of the data and understanding it's source
   2. Identifying when to remove, replace, or retain missing data
   3. Handling Imbalanced Data
   4. Scaling and Normalisation requirements
2. Practical Lab Activity

Linear Regression

1. Identify appropriate situations for using Linear Regression
2. Use the Supervised Machine Learning workflow to create, evaluate, tune, and visualise a linear regression model
3. Practical Lab Activity

Logistic Regression

1. Identify appropriate situations for using Logistic Regression
2. Use the Supervised Machine Learning workflow to create, evaluate, and tune a logistic regression model
3. Practical Lab Activity

Decision Trees and Random Forests

1. Identify appropriate situations for using Decision Trees
2. Use the Supervised Machine Learning workflow to create, evaluate, tune, and visualise a Decision Tree model
3. Identify alternative classification models such as Random Forests and how to compare them
4. Practical Lab Activity

Clustering with K-means

1. Understanding and implementing the k-means clustering algorithm
2. Evaluate the model performance and select k
3. Practical Lab Activity